买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东华大学

摘要：本发明公开了一种基于深度学习的恒星光谱分类方法，针对目前LAMOST等大规模光谱巡天缺乏快速、准确恒星光谱型分类方法的问题。所述方法包括步骤：获取并预处理光谱数据；获取标注数据并交叉证认；制作标注数据集与无标签数据集；构建深度学习分类模型；应用模型扩充训练数据并二次训练。本发明的数据处理方法可以得到大规模且高质量的训练数据集；所构建的半监督多层感知机模型面对光谱巡天观测的大样本，具有很高的分类准确率。

主权项：1.一种基于深度学习的恒星光谱分类方法，其特征在于，包括以下步骤：步骤一、获取并预处理LAMOST恒星光谱数据；步骤二、获取LAMOST光谱型标注数据，并同SIMBAD交叉证认；步骤三、结合步骤一与步骤二分别得到的光谱与标注数据，制作数据集；制作的数据集包含两个部分：标注数据集与无标签数据集；标注数据集的制作，是依据LAMOST观测数据的目标唯一标识编号LMJD+PlanId+spId+FiberId，匹配步骤一与步骤二所得光谱与标注样本，并制成二元标注数据集D1；无标签数据集的制作，不严格要求数据集中不同光谱型样本的比例，直接依据LAMOST光谱型标注，从步骤一所得光谱数据中每一光谱型各选取一定数量的样本，制成一元无标签数据集D2；步骤四、构建深度学习分类模型；深度学习模型包含两个模块：多层感知机分类器和自编码器；自编码器在D2上训练，保存编码器网络参数作为多层感知机分类器的初始参数；多层感知机分类器加载初始参数并在D1上训练，保存分类模型M1；所述的多层感知机分类器是一种全连接神经网络，由输入层、隐藏层、输出层组成，其中隐藏层包含若干全连接层与Dropout；输入层所含神经元数量与输入光谱数据的维度相同，输出层所含神经元数量与光谱类别总数相同；全连接层以LeakyReLU作为激活函数，输出层以Softmax作为激活函数；训练过程中，损失函数选择多分类交叉熵函数，优化器为Adam；网络超参数，包括LeakyReLU函数的负半轴斜率值、Dropout舍弃率，经Hyperopt试验、优化并指定；所述的自编码器是一种全连接神经网络，由输入层、编码器、编码层、解码器、输出层组成；其中，输入层与输出层所含神经元数量与输入光谱数据的维度相同；编码器包含多层感知机分类器隐藏层中所有全连接层，各层的堆叠顺序与超参数均与多层感知机分类器中对应层相同；编码层所含神经元数量与光谱类别总数相同，不含激活函数；解码器采用与编码器镜像对称的结构，各层的超参数与编码器对应层相同，但堆叠顺序相反；步骤五、使用步骤一得到的光谱和步骤四得到的模型制作扩充数据集；扩充数据集的制作，是依据LAMOST光谱型标注，从步骤一所得光谱数据中每一光谱型各选取一定数量的样本，并使用分类模型M1预测这些样本对应的光谱型；将这些样本与对应的预测光谱型制成二元扩充数据集D3；步骤六、使用步骤五得到的扩充数据集训练步骤四构建的模型；使用步骤五所得扩充数据集训练步骤四所得模型，多层感知机分类器加载初始参数并在D3上训练，保存最终分类模型M2，作为本发明最终得到的恒星光谱分类模型。

全文数据：

权利要求：

百度查询： 东华大学 一种恒星光谱分类方法